Resumo

Foram medidas velocidades dos automóveis que circulam na Avenida Almirante Gago Coutinho, que liga Mem-Martins à Portela de Sintra, com recurso a um Raspberry Pi Zero W, uma webcam e um programa Python. As velocidades obtidas foram tratadas por métodos de análise exploratória de dados com recurso a programação em R.

No estudo realizado verificou-se que a velocidade média dos automóveis difere mediante a direcção em que circulam, sendo de 69 km/h no sentido Mem Martins -> Sintra e 87 km/h no sentido Sintra -> Mem Martins.

Em ambos os casos a velocidade é superior ao máximo permitido por lei em zona urbana - 50km/h. É ainda importante referir que esta zona possui duas escolas nas próximidades e um complexo desportivo, piscinas e ciclovia com elevada afluencia de peões.

Local das medições

As medições foram feitas num pequeno troço da Avenida Almirante Gago Coutinho.
Local

Hardware e programa carspeed.py

Uma sucinta descrição sobre o hardware utilizado e como instalar o programa carspeed.py pode ser encontrada no repositório deste projecto: VascoRibeiroPereira/carspeed.py.

O programa utilizado foi adaptado de gregtinkers/carspeed.py, com pequenas alterações no que respeita às distâncias, obtenção de dados em Km/h e inibição da captura de imagens por motivos de eficiencia no espaço limitado do hardware utilizado. As direcções foram também adicionadas à tabela de dados obtidos.

Bibliotecas

As bibliotecas necessárias para análise de dados em R:

library(ggplot2) 
library(dplyr) 
library(lubridate) 
library(googleVis)
library(plotly)

Importação dos Dados

my_wd <- getwd()
filesList <- list.files(paste(my_wd, "/RawData", sep = ""))

setwd(paste(my_wd, "/RawData", sep = ""))

carspeed <- tibble()
for (i in 1:length(filesList)) {
        tmp<- read.csv(filesList[i])   
        
        carspeed <- rbind(tmp, carspeed)
}

Os dados de vários ficheiros foram importados e unidos numa unica tabela: carspeed.
A tabela carspeed tem as seguintes características:
1. Inicio da obtenção de dados - 2020.08.01
2. Fim da obtenção de dados - 2020.09.01
3. Número de observações - 118831
4. Variáveis medidas - Date, Day, Time, Speed, Direction

Limpeza dos dados

O conjunto hardware/software utilizados possui algumas limitações no que respeita à detecção de dados, nomeadamente quando há muito trafego nos dois sentidos este pode fazer medições menos correctas. Estes erros traduzem-se em medições com pouco significado (bastante superior a 120 km/h por exemplo), pelo que se excluiram as medições de velocidade superior a 120 km/h e inferiores a 10 km/h.

carspeed$Direction <- as.factor(carspeed$Direction)
carspeed_Clean <- filter(carspeed, Speed < 120 & Speed > 10)
carspeed_Clean <- carspeed_Clean[,-2]
carspeed_Clean <- mutate(carspeed_Clean, valid = paste(Date, Time, sep = " "))
carspeed_Clean <- carspeed_Clean[,-c(1,2)]

carspeed_Clean$valid <- parse_date_time(carspeed_Clean$valid, "Ymd HM", tz="Europe/Lisbon")
carspeed_Clean$valid <- round_date(carspeed_Clean$valid, unit = "hour")

## As medições foram sistematizadas apenas a partir de dia 2020-08-03
carspeed_filter <- filter(carspeed_Clean, valid >= as.Date("2020-08-03"))

Para a realização da análise de dados estes foram agrupados por data e direcção. Desta forma podemos separar e compreender as diferenças entre as velocidades médias de ambas as direções.

groupedData <- carspeed_filter %>% group_by(valid, Direction)
speed_Analysis <- groupedData %>% summarise(meanSpeed = mean(Speed))


speed_Analysis$Direction <- as.integer(speed_Analysis$Direction)

for(i in 1:length(speed_Analysis$Direction)) {
        if (speed_Analysis$Direction[i] == 1) speed_Analysis$Direction[i] <- "Sintra-MemMartins" 
        else speed_Analysis$Direction[i] <- "MemMartins-Sintra"
        }

speed_Analysis$Direction <- as.factor(speed_Analysis$Direction)

Data <- speed_Analysis$valid
Direção <- speed_Analysis$Direction
Velocidade <- speed_Analysis$meanSpeed

df <- tibble(Data, Direção, Velocidade)

A tabela df obtida após a limpeza dos dados acabou com as dimensões 1155, 3, correspondente ao número de observações - velocidade média por hora e por direcção e ao número de colunas (Data, Direção, Velocidade).

Data Direção Velocidade
2020-08-03 10:00:00 Sintra-MemMartins 88.11111
2020-08-03 10:00:00 MemMartins-Sintra 69.95789
2020-08-03 11:00:00 Sintra-MemMartins 88.10989
2020-08-03 11:00:00 MemMartins-Sintra 66.26623
2020-08-03 12:00:00 Sintra-MemMartins 84.43836
2020-08-03 12:00:00 MemMartins-Sintra 65.13158
2020-08-03 13:00:00 Sintra-MemMartins 90.56818
2020-08-03 13:00:00 MemMartins-Sintra 70.35200
2020-08-03 14:00:00 Sintra-MemMartins 85.71351
2020-08-03 14:00:00 MemMartins-Sintra 65.89172

Análise de dados

A melhor forma de analisar dados é através da sua observação gráfica, assim, utilizou-se uma biblioteca dedicada a este propósito, em que se gerou um gráfico interativo com todos os dados que constam da tabela df.

gp <- ggplot(data = df, 
       mapping = aes(x = Data, y = Velocidade, color = Direção)) + 
        geom_point(alpha = 1/2)

gg <- ggplotly(gp)

gg

A visualização do gráfico torna evidente vários aspectos da circulação automóvel na Avenida Almirante Gago Coutinho, nomeadamente o excesso de velocidade.

Em números absolutos, na tabela antes de agrupar os dados: carspeed_filter, temos 107209 observações, das quais 101091 são superiores a 50 km/h.
Isto representa 94% de condutores em excesso de velocidade a cerca de 40 metros de distância de uma passagem de peões.

Análise da velocidade em ambas as direções:

Mem Martins - Sintra

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   39.60   66.22   68.00   68.65   70.00  117.00

Sintra - Mem Martins

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   52.00   83.99   87.24   87.45   90.49  115.00